基于LiDAR数据的汕尾火山嶂地质灾害风险评价*

甄俊伟，黄智炜，章桂芳，3，4，曾探，王同皓

1.广东省地质局第七地质大队，广东 惠州 516000

2.中山大学地球科学与工程学院，广东 珠海 519082

3.广东省地质过程与矿产资源探查实验室，广东 珠海 519082

4.南方海洋科学与工程广东省实验室（珠海）， 广东 珠海 519082

山地丘陵面积较大，地质条件复杂，以及构造活动频繁等多种因素综合作用，使我国成为世界上地质灾害极其频繁的国家之一。每年因灾死亡人数众多，造成的经济财产损失极为严重，地质灾害防治形势十分严峻（许强，2020）。在灾害发生后准确地识别地质灾害的位置和范围对于受灾区域后续的灾害预测和防灾减灾工作具有重要的指导意义。

传统的地质灾害识别主要依靠人工野外实地调查，存在费时费力、精准度差、无法实时更新等问题，特别是在地形陡峻、气候多变和人迹罕至区域则显得更加困难，对植被覆盖严重、隐蔽性较强的点位也难以准确发现，亟须发展新的方法进行快速高效的地质灾害识别和调查（孙涛等，2021）。随着对地观测技术的迅猛发展，遥感因其具有大面积、实时性和周期性等特点，在地质灾害调查中发挥越来越重要的作用。基于卫星遥感技术的地质灾害识别经历了目视解译、基于像素、面向对象和深度学习等4 个阶段（王治华，1999；张帅娟，2017；陈善静等，2020；蔡浩杰等，2022）。但是，由于大部分卫星遥感影像的地面分辨率有限，对于小型的地质灾害点无法有效识别；对于光谱特性与周围环境并无明显差异的古老滑坡体以及高植被覆盖下的滑坡等地质灾害，可见光遥感也无能为力。作为卫星遥感观测的新技术，航空遥感技术中的机载激光雷达（LiDAR，light de‐tection and ranging），从2000 年开始逐步被应用于地质灾害识别和定量分析研究中。机载LiDAR 通过高速激光对目标地面进行扫描测量，能在一定程度上“穿透”植被覆盖物直接获取真实的地形，采集到高精度的点云数据，从而生成1～10 cm 分辨率的DEM（数字高程模型），为植被覆盖下的地质灾害调查、监测和预防提供了基础数据和有效手段（van den Eeckhaut et al.，2005；Corsini et al.，2009；Li et al.，2015；Pawluszek，2019；董秀军等，2020；刘小莎等，2021；尹晨沣，2021；Gorsevski，2021；许强等，2022；邓博等，2022）。

汕尾火山嶂位于广东省汕尾市北部山区，山体陡峻，滑坡/崩塌较为密集，坡面和沟谷堆积了大量的松散堆积物，山脚分布较多居民区。若遇强降雨极有可能发生滑坡、崩塌并引发泥石流灾害，严重威胁群众的生命财产。因此，查明本区域的滑坡/崩塌的点位和体量，进行区域地质灾害风险评价是该区地质灾害监测和防治的重要工作。但是该区地势较陡，植被茂密，可见光遥感在该区的探测能力受限。因此，本文拟综合高分一号遥感影像和机载激光雷达（LiDAR）技术获取的高精度DEM 衍生的高程、坡度、坡向、曲率、起伏度、粗糙度和山体阴影等因子图像进行滑坡/崩塌的解译识别，综合划定火山嶂各个子区的地质灾害风险等级，为该区域的防灾减灾提供有力支持。

1 研究区域

1.1 区域地质背景

火山嶂位于汕尾市陆河县河田镇北部（图1a），距陆河县城约2 km。陆河县以低山丘陵地貌为主，全县丘陵面积460 km2，其中海拔高度在500 m 以上的山地面积约260 km2。陆河县海拔高度700 m以上的山峰有7 座，其中火山嶂为第4 高的山，海拔高度763 m。火山嶂山脊走向多为NE-SW 向，坡顶局部区域基岩裸露，沟谷以“Ⅴ”字型沟谷为主，整体山体植被覆盖较好（图1b）。火山嶂属亚热带季风气候区，年平均气温为21～22 ℃，多年年平均降雨量为1 800～2 400 mm，年最大降雨量可达3 728 mm，24 h 最大降雨量为620 mm，72 h连续最大降雨量为1 062 mm（2018 年8 月28～31日）。根据1∶20万海丰幅地质图（图1c），研究区内岩性主要为燕山三期（γ52（3））二长花岗岩，及第四系冲洪积层、残积层。区内的地质构造主要为河口断裂及莲塘断裂，属莲花山断裂的一部分。受断裂构造影响，区内岩石片理化发育，属全～强风化花岗岩，坡面一般覆盖有10～20 m的砂质黏性土。

图1 研究区域概况图Fig.1 The study area overview

1.2 区域地质灾害

2018 年8 月28～31 日，陆河县发生了连续降雨量为1 062 mm，24 h 降雨量达620 mm 的历史最大降雨，距离火山嶂约3 km 的共联村发生泥石流灾害并造成2人死亡，30多间房屋受损，直接财产损失500～1 000 万元，威胁共联村2 700 人的人身财产安全，威胁财产损失7 400 万元。该次降雨同样造成火山嶂发生众多崩塌/滑坡，并呈松散状堆积于沟谷中，进而形成泥石流，规模约20 000 m3，属中型泥石流。虽未造成人员伤亡，但坡面堆积了大量的松散堆积物，加之火山嶂地区山体较陡，山脚有部分居民区，且距县城较近，若遇强降雨极有可能再次发生泥石流，对群众的生命财产有严重威胁。因此，火山嶂作为泥石流隐患区，对其进行详尽的灾害调查对灾害防治具有非常重要的意义。

本研究利用LiDAR 数据消除植被影响，生成高精度DEM 数据，并基于DEM 生成坡度、坡向、曲率、起伏度、粗糙度和山体阴影等地形因子，建立滑坡/崩塌在各个因子上的解译标志。进一步综合高分一号遥感影像进行研究区域的滑坡/崩塌解译，确定滑坡/崩塌的位置及范围。然后基于分形理论确定各解译因子对滑坡/崩塌形成的影响和权重，综合计算获得每个解译滑坡/崩塌的确认概率，删除确认概率较低的滑坡/崩塌。最后基于火山嶂各个沟谷的地形特征、滑坡/崩塌数量和体量以及人类活动分布对每个子区的地质灾害风险进行评价。

2 数据获取与处理

2.1 LiDAR数据获取

2021 年12 月13～15 日对火山嶂地区的5.5 km2区域进行了激光雷达测量（LiDAR），通过点云数据处理，得到了高精度的DEM 数据。本次机载激光雷达测量采用飞马公司D20 大载重旋翼无人机系统，搭载LiDAR200激光雷达模块，该模块的各项技术参数见表1。

表1 LiDAR200激光雷达参数Table 1 Parameters of LiDAR200 Laser Radar

2.2 LiDAR数据处理

对采集的高程数据，利用飞马无人机管家“智激光”进行点云解算，航带平差，精度检查，最终形成高精度的DEM 产品（图2a），高程分辨率为5 cm。并根据DEM计算该地区的坡度（图2c）。

图2 火山嶂DEM、三维影像及各个地形因子图Fig.2 DEM, 3D image, and various terrain factor maps of Huoshanzhang based on LiDAR Data

根据该区的高程和坡度数据，火山嶂山脊走向多为NE-SW 向；山体坡顶标高约765.4 m，坡脚标高约50.1 m；山体坡度大部分区域约20°～30°，局部斜坡单元较陡，自然坡度大于45°，区内的边坡主要表现为S-SE 向坡较陡，W-NW 向坡较缓。火山嶂沟谷及两侧岩土体主要为残积砾质黏性土和全-强风化花岗岩，该类岩土体物理力学性能差，沟谷两岸的斜坡较易失稳。

2018 年的历史最大降雨量造成了火山嶂地区多处发生滑坡/崩塌。滑坡/崩塌最直接的地表证据是裸露的岩体或者土体，这在光学遥感影像上具有非常明显的可视化特征。但是由于火山嶂所处地区气候温热，降雨量丰沛，滑坡/崩塌发生后某些土质较丰富的区域很快会被植被覆盖，导致滑坡/崩塌产生的地表裸露随之变得模糊或者消失，光学遥感影像上的可视化特征会很快减弱甚至消失。目前，火山嶂整体山体植被覆盖度可达80%，某些滑坡和崩塌的点位和范围已无法准确用光学遥感影像进行识别和解译。

基于LiDAR 生成的DEM 数据可以消除植被的影响（图2a），DEM 叠加高分一号遥感影像（RGB：432 波段）生成的三维图可以立体呈现火山嶂地区的地表形貌（图2b）。但是这两种图像并不能有效显示所有滑坡/崩塌，特别是当滑坡/崩塌被植被覆盖的时候，为了充分利用滑坡/崩塌引起的地形异常而将其位置、范围和形态提取出来。本文增加了由DEM 生成的坡度、坡向、曲率、起伏度、粗糙度以及山体阴影等地形因子图像对滑坡/崩塌进行综合解译（图2c-h）。

为了降低数据冗余，对地形因子两两进行独立性检验，原假设是两个因子间不独立，显著性统计结果如表2 所示，由于显著性均大于0.05，故拒绝原假设，认为地形因子之间具有独立性。

表2 地形因子显著性检验结果Table 2 Results of terrain factor significance test

2.3 建立解译标志

通过独立性检验后，根据滑坡/崩塌在各个因子图像上的显示特征建立解译标志：

1） 坡度：当坡度大于自然休止角并且没有足够内聚力的时候，滑坡/崩塌就极易发生（Ercano‐glu et al.，2004；Conoscenti et al.，2008）。坡度是识别滑坡/崩塌特征的重要参数（郭果等，2013）：滑坡/崩塌在坡度因子上主要表现在两侧边缘会与周围山体存在明显变化，滑坡/崩塌内部坡度较为集中，色彩较平滑，滑坡/崩塌边界处坡度图像会有跳跃和突变，呈突变状态（图2c）。

2） 坡向：不同坡向地区具有不同的风化条件（降雨，冰雪）、土地覆盖类型（森林、草地、农地）和土壤条件（渗透率），区内山体易形成某一坡向坡度较陡，在降雨条件下，土体内地下水饱和或发生渗流，土体重度变大及地下水的渗透力会更大，进而通过这些因素对坡体产生影响而造成滑坡/崩塌（白世彪等，2005；Yalcin，2008；Mein‐hardt et al.，2015）。坡向难以判断滑坡/崩塌的形态特征，但通常滑坡/崩塌的边界在坡向上也会有所体现，同时也可以分析滑坡的大致朝向，可以辅助观察滑坡/崩塌的大致形态与变形程度（图2d）。

3） 曲率：曲率对滑坡的发育主要通过影响地表径流，导致斜坡体岩土压力变化，凹陷的地形更容易汇集地表径流，导致斜坡体压力增大，形成滑坡/崩塌等灾害（Ayalew et al.，2004）。一般发生滑坡/崩塌灾害后，完整的斜坡会遭受严重破坏，曲率也会发生较明显破坏。因此通过识别曲率的变化可以来识别滑坡/崩塌的范围和形态（图2e）。

4） 起伏度：判断滑坡/崩塌的因子之一，滑坡/崩塌发生后，在边界处高程通常会有突变，因此起伏度也能很好地帮助滑坡/崩塌边界的识别（图2f）。

5） 粗糙度：即地表曲面面积/平面面积，它能够比较好地反应地形的起伏变化，通常滑坡/崩塌的边界和滑坡/崩塌内部相对于其他区域均有较明显变化，其粗糙度会明显区别于周围的区域，可以通过粗糙度图的异常变化来识别滑坡/崩塌，并且可以通过分形维数的方式来分析地表粗糙度（Glenn et al.，2005；尹晨沣，2021）（图2g）。

6） 山体阴影：利用特定的太阳角度对地面照射产生的表面明暗程度连续变化并用灰度色调或彩色输出而得到随光度近似连续变化的色调（Horn，1981）。山体阴影增强被照亮的山坡的地形特征，将陡坡和沟壑增强显示，可以较直接地观察到山体的变形行迹，从而进行滑坡/崩塌识别（图2h，入射角方向为315°）。

3 结果和讨论

3.1 解译结果

综合遥感影像解译和LiDAR 数据衍生的6 个地形因子图像，本次研究共在火山嶂共解译出44处滑坡/崩塌，其分布和范围如图3 所示，图中数字为滑坡/崩塌编号。

图3 火山嶂滑坡/崩塌解译结果图Fig.3 The map of landslide/avalanche interpretation results of Huoshanzhang

44 处滑坡/崩塌中的28 处在遥感影像上具有明显的特征，选取7 号和15 号滑坡/崩塌为例，其遥感影像、现场照片和地形因子图像见图4。

图4 7号和15号滑坡/崩塌的遥感影像、现场照片和地形因子Fig.4 Remote sensing images, field photographs,and terrain factors of landslides/collapses No.7 and No.15

除此之外，另外的16 处滑坡/崩塌在遥感影像上并无可供明显解译的色调或者纹理特征，其解译主要依靠地形因子图像，图5 显示了1 号和3 号滑坡/崩塌在遥感影像和各个因子图像上的显示特征。结果表明基于LiDAR 数据生成的各个地形因子图像对植被覆盖下的滑坡/崩塌（可见光影像上无明显色调和纹理特征）具有较好的显示，在植被覆盖区具有很好的应用效果。

图5 1号和3号滑坡/崩塌的遥感影像和地形因子Fig.5 Remote sensing images and terrain factors of landslides/collapses No.1 and No.3

对解译的滑坡/崩塌进行面积、高程、粗糙度、坡度、坡向、起伏度和曲率等参数进行统计，结果如表3。由表3 可知，研究区域高程范围为50～765 m，滑坡/崩塌大致分布在150～500 m 之间的高程；研究区坡度范围为0～87°，而滑坡/崩塌发生的坡面坡度主要集中在30°～40°这一区间（该区间山体第四系残积土覆盖较厚，40°以上的区域大部分为基岩裸露，或松散盖层较薄），说明坡度30°～40°且第四系残积土覆盖较厚的坡面是土质滑坡/崩塌发育的高风险区域；滑坡/崩塌坡向绝大部分在90°～270°之间，仅一个滑坡/崩塌坡向为88°，说明滑坡/崩塌在南坡（向阳坡）的发生概率更高，因为该区域受断裂影响及季风气候的影响，南向的斜坡会受到更强烈的风化作用（如日照、降水和昼夜温差等），其土壤和岩石结构相对更加松散，更容易发生滑坡/崩塌；曲率平均值大部分为负值，有40处，因为凹形坡地形具有聚水性，水分的积聚会增加土体的重度，并沿坡面形成向外的水压力，从而促使滑坡/崩塌的形成，而滑坡/崩塌发生后会进一步促进凹形坡的形成；滑坡/崩塌的粗糙度值域为1.174～1.450，整体较大，粗糙度的增大会导致水分滞留在土体内，从而增加土壤饱和度和形成地下水的渗流，进而影响滑坡/崩塌的发生；起伏度是指地表在水平方向上的高低起伏程度，滑坡/崩塌区域的起伏度分布在0.724～1.354，地形起伏度大的地区通常存在更多的坡面，地面的坡度也更加陡峭，土层的稳定性较差，容易发生滑坡/崩塌。

表3 解译滑坡/崩塌地形因子数据统计Table 3 Statistics of landslide/collapse terrain factor data interpretation

3.2 确认概率计算

由于本文解译获得的滑坡/崩塌并不是在遥感影像和6个地形因子影像上均有明显特征且地形因子对地质灾害发生的影响程度各不相同。另外，各个滑坡/崩塌的解译都基于特征因子图像的目视解译，会存在一定的误差。因此本研究引入各个因子的权重计算，基于每个滑坡/崩塌在地形因子图像上的特征显示数量及权重对解译结果的确认概率进行计算：

1） 对每处滑坡/崩塌出现的显著特征数量进行统计，有显著显示特征设为“1”，无明显显示特征设为“0”。

2） 利用分形理论计算6 个地形因子的分维值，作为权重设置的依据。通过计算各因子权重对各个地形因子在研究区域滑坡/崩塌解译中的重要性进行评估，确定它们对滑坡/崩塌解译结果的贡献程度，并基于综合权重计算44 处滑坡/崩塌解译的确认概率，对准确率较低的解译结果进行筛选，从而增强解译结果的可信度。

分形理论是由Mandelbrot（1982）提出用于描述自相似性的数学理论，通过分维值来描述研究对象自相似性的程度：分维值越大，研究对象越复杂，反之，则越简单。分形理论在地质灾害研究中可用于描述地质灾害的空间分布和危险性评价等（周寅康等，1995；易顺民等，1999；菊春燕等，2013；王森等，2017）。本文拟利用分维值来判断各地形因子的影响权重，进而对滑坡/崩塌的解译确认度作出定量判断。

分形理论一般包括常维分形和变维分形，前者用于形态简单的对象，一般定义为

其中N为相应标度下某物理量的测量值；C为常数；r为分类序号；D为分形维度。对于常维分形，D不随r变化。但在自然界中很难存在严格满足常维分形的事物，因此学者们便引入了变维分形的概念（付昱华，2000），将D从常量变成了变量，提出任意D=f(r)均可以变换转换成（1）的表现形式，即进行一次或者多次的累计变换，建立多个变维模型，在双对数曲线中寻找最符合线性分布的模型，具体步骤如下：

（1）以滑坡的面积作为N，每个滑坡影响因子分为8 个类型，将原始数据（Nr，r）绘制在双对数坐标中，并通过

计算各分段的分维值，式中D是分形维度，i为类型，取值i=1，2，…，8.

（2）对原始数据（N1，N2，…，N8），进行各阶累加和，得到

（3）根据各阶累计和建立相应阶的变维分形模型，并绘制双对数坐标曲线，寻找最优变换阶，即双对数坐标中最符合线性变化的数据，以此数据进行线性拟合（本文采取的判断标准是相关系数大于0.99），该拟合线的斜率即为数据的分维值。

根据上述步骤，分别对坡度、坡向、起伏度、粗糙度和曲率等5 个地形因子进行计算。结果表明，火山嶂的坡度、坡向、起伏度、粗糙度、曲率与滑坡面积均呈二阶累计与分形关系（图6），其中各项分维值分别为：坡度1.790，坡向1.497，曲率2.547，粗糙度1.068，起伏度2.068，其相关系数除了曲率为0.996，其他因子均为0.999（表4）。通常分维值越大，代表该因子与滑坡之间的关系更复杂，贡献也越大，相反则贡献越小。由此可知，研究区域各个因子的影响力大小为：曲率＞起伏度＞坡度＞坡向＞粗糙度。

表4 地形因子分形结果及权重划分表Table 4 Fractal results of terrain factors and weight allocation

图6 滑坡/崩塌影响因子各阶分维序列图(a1-e1) 及最优阶拟合曲线(a2-e2)Fig.6 Multifractal spectrum plot of landslide factors (a1-e1) and best-fit curve of optimal order (a2-e2)

本研究中，将遥感影像权重设为0.3，山体阴影权重设置为0.2，按分维值从大到小分别赋值0.14、0.12、0.10、0.08 和0.06（表4），进行加权计算后获得滑坡/崩塌确认概率如表5 所示。由此可知，解译获得的滑坡/崩塌确认概率大于50%的滑坡有41 处，占比93%，确认概率大于80%的滑坡有26 处，占比59%；而低于50%的滑坡/崩塌有3处（编号为10、21 和25，在表5 中斜体表示），均为遥感影像不明显且地形特征显著度不足，表明其准确性较低，后期讨论中将这3 处滑坡/崩塌剔除。

表5 解译获得的滑坡/崩塌在各个因子影像上的显示状态及确认概率1）Table 5 Display status and confirmation probability of deciphered landslides/collapses on various factor images

3.3 地质灾害风险评价

本研究采用水文分析的方法将火山嶂划分为6个子区域（图7），其中Ⅰ和Ⅱ区内各有一个解译滑坡/崩塌，Ⅲ区内有5 处解译滑坡/崩塌，Ⅳ区内有13处解译滑坡/崩塌，Ⅴ区内有16 处解译滑坡/崩塌，Ⅵ内有8处解译滑坡/崩塌。

图7 火山嶂6个子区地质灾害风险评价Fig.7 Geological hazard risk assessment of 6 subzones within the Huoshanzhang

根据各个子区内的滑坡/崩塌密度和体量，并综合每个子区的地形特征和周边人类活动分布，对这6个子区的地质灾害风险进行分析：

（1） Ⅰ区位于火山嶂山体的西侧，区内地面标高70～330 m，高差260 m，区内发育一条主沟谷，沟谷长850 m，沟谷两侧植被覆盖率高，区域仅发生有一处规模较小的滑坡/崩塌，且靠近居民区200 m 处有一处地形隆起，如遇泥石流灾害可作为缓冲，对人类生命和财产危害性较小，地质灾害风险较小。

（2） Ⅱ区位于火山嶂山体的西侧，区内地面标高60～540 m，高差480 m，区内发育一条主沟谷、一条次沟谷。主沟谷长1 300 m，次沟谷长720 m，区域仅发生有一处规模较小的滑坡/崩塌，且沟谷两侧植被覆盖茂密，地质灾害风险较小。

（3） Ⅲ区位于火山嶂山体的中部区域，区内地面标高60～680 m，高差达620 m，区内发育有一条长约1 300 m 的主沟谷，其中发育有5 处滑坡/崩塌，且规模较大，高程集中在200～400 m，沟谷高差大，发生大量降雨后有可能诱发泥石流灾害，地质灾害风险较大。

（4） Ⅳ区位于火山嶂山体的中部区域，区内海拔标高60～660 m，高差达600 m，区内发育有3条沟谷（1条主沟，2条支沟），汇水面积约1.4 km2。主沟发育长度约1 500 m，沿主沟发育有12处滑坡/崩塌，集中在500 m 处，规模较大且较为集中。该子区斜坡高差大，坡度大，沟谷长，在大量降雨时易发生滑坡和崩塌，集中发育的滑坡/崩塌也使该区具有丰富的碎屑物物源，从而引发泥石流等灾害，且紧邻道路且山脚有较密集居民地，地质灾害风险大。

（5） Ⅴ区位于火山嶂山体的东部区域，区内标高70～560 m，高差490 m，区内发育有2 条主沟谷，沟谷长约1 400 m，该区共发育有14处滑坡/崩塌，但规模都很小，沟谷出山口离人类活动区域（道路和建筑）较远，地质灾害风险较小。

（6） Ⅵ区位于Ⅳ区与Ⅴ区之间，区内标高70～250 m，高差170 m，自然坡度30°～45°，发育2 条沟谷，沟谷长约600 m，虽发育8 处滑坡，但规模极小，但是该区域离道路较近，且坡度较大，可能发生的滑坡或崩塌会对道路产生一定威胁，具有一定的地质灾害风险。

综上所述，如图7 所示：Ⅳ区高差大，坡度大，沟谷长，滑坡/崩塌密度大，体量大，且其下部靠近人类活动区，滑坡/崩塌和泥石流灾害均需密切注意，地质灾害风险等级为“高风险”；Ⅲ区沟谷高差大，沟谷较长，滑坡/崩塌密度较大，滑坡/崩塌和泥石流灾害风险等级为“中风险”；Ⅵ区高差较小，滑坡/崩塌密度中等，但是紧靠道路且坡度较大，地质灾害风险等级为“中风险”；Ⅰ区和Ⅱ区滑坡/崩塌密度极小，高差也较小，因此风险等级为“低风险”；Ⅴ区高差小，虽有一定的滑坡/崩塌密度，但规模小且远离人类活动区域，风险等级为“低风险”。

4 结 论

本研究利用机载LiDAR 点云数据构建的高分辨率DEM 及其衍生的地形因子数据，综合遥感影像对汕尾市火山嶂进行滑坡/崩塌解译，并结合变维分形模型确定各解译因子的权重后计算获得每个解译滑坡/崩塌的确认概率，并结合火山嶂各个子区地形特征、滑坡/崩塌密度和体量以及人类活动分布进行地质灾害风险评价，主要的结论如下：

1） 综合采用机载LiDAR 生成的高精度DEM及其衍生的坡度、坡向、曲率、起伏度、粗糙度和山体阴影等6 个地形因子和高分一号遥感影像，在火山嶂地区共解译获得滑坡/崩塌44 处，其中28处在遥感影像上具有明显的特征，其余16 个滑坡/崩塌由于植被覆盖，在遥感影像上并无可供明显解译的色调或者纹理特征，其解译主要依靠地形因子。

2） 基于变维分形模型对解译滑坡/崩塌的地形因子权重进行计算，结果表明火山嶂地区各地形因子对滑坡/崩塌的影响力大小为：曲率＞起伏度＞坡度＞坡向＞粗糙度，进行加权计算后获得滑坡/崩塌确认概率，将3 处概率小于50%的滑坡/崩塌作为无效结果进行剔除。

3） 采用水文分析的方法将火山嶂划分为6 个子区，根据滑坡/崩塌密度和体量、地形特征和周边人类活动分布对各个子区进行地质灾害风险评价：Ⅳ区滑坡/崩塌密度大，高差大，沟谷深，有较大的滑坡/崩塌和泥石流灾害风险，地质灾害风险等级评价为“高风险”；Ⅲ和Ⅵ区或有较大的滑坡/崩塌密度，或靠近人类活动区，地质灾害风险等级为“中风险”；Ⅰ和Ⅱ区滑坡/崩塌密度低，Ⅴ区的滑坡/崩塌都很小且远离人类活动区域，因此，将Ⅰ、Ⅱ和Ⅴ区地质灾害风险等级评价为“低风险”。

本研究表明，基于机载LiDAR 数据形成的DEM 及其衍生地形因子可以有效去除植被影响，是植被覆盖区的地质灾害解译和风险评价的有效手段。